RadioUNet：基于卷积神经网络的快速无线电地图估计
信号处理
2020-12-23 v3 信息论
机器学习
math.IT
机器学习
摘要
在本文中，我们提出了一种高效且高精度的深度学习方法，用于估计从点 （发射机位置）到平面域上任意点 的传播路径损耗。对于用户-基站关联和设备到设备链路调度等应用，准确获知所有发射机-接收机位置对的路径损耗函数非常重要。常用的统计模型将路径损耗近似为发射机与接收机之间距离的衰减函数。然而，在以建筑物、街道峡谷和不同高度物体为特征的真实传播环境中，此类径向对称函数会产生极具误导性的结果。在本文中，我们表明 properly 设计并训练的深度神经网络能够以一种非常准确且计算高效的方式，学习在给定的城市环境中估计路径损耗函数。我们提出的方法称为 RadioUNet，它从物理仿真数据集中学习，并生成非常接近仿真的路径损耗估计，但计算速度远快，可用于实时应用。此外，我们提出了将仿真中所学迁移到实际生活中的方法。数值结果表明，我们的方法显著优于先前提出的方法。
引用
@article{arxiv.1911.09002,
title = {RadioUNet: Fast Radio Map Estimation with Convolutional Neural Networks},
author = {Ron Levie and Çağkan Yapar and Gitta Kutyniok and Giuseppe Caire},
journal= {arXiv preprint arXiv:1911.09002},
year = {2020}
}